論文の概要: Optimal Transport Tools (OTT): A JAX Toolbox for all things Wasserstein

• arxiv url: http://arxiv.org/abs/2201.12324v1
• Date: Fri, 28 Jan 2022 18:43:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 14:45:37.560519
• Title: Optimal Transport Tools (OTT): A JAX Toolbox for all things Wasserstein
• Title（参考訳）: Optimal Transport Tools (OTT): Wasserstein のすべてのもののための JAX ツールボックス
• Authors: Marco Cuturi, Laetitia Meng-Papaxanthos, Yingtao Tian, Charlotte Bunne, Geoff Davis, Olivier Teboul
• Abstract要約: 最適なトランスポートツール(OTT-JAX)は、ポイントクラウドとヒストグラム間の最適なトランスポート問題を解決するPythonツールボックスである。 ツールボックスは、自動およびカスタムのリバースモードの差別化、ベクタライゼーション、ジャスト・イン・タイムのコンパイル、アクセラレータのサポートなど、さまざまなJAX機能をベースにしている。
• 参考スコア（独自算出の注目度）: 30.26534000587223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimal transport tools (OTT-JAX) is a Python toolbox that can solve optimal transport problems between point clouds and histograms. The toolbox builds on various JAX features, such as automatic and custom reverse mode differentiation, vectorization, just-in-time compilation and accelerators support. The toolbox covers elementary computations, such as the resolution of the regularized OT problem, and more advanced extensions, such as barycenters, Gromov-Wasserstein, low-rank solvers, estimation of convex maps, differentiable generalizations of quantiles and ranks, and approximate OT between Gaussian mixtures. The toolbox code is available at \texttt{https://github.com/ott-jax/ott}
• Abstract（参考訳）: 最適なトランスポートツール(OTT-JAX)は、ポイントクラウドとヒストグラム間の最適なトランスポート問題を解決するPythonツールボックスである。 ツールボックスは、自動およびカスタムのリバースモードの差別化、ベクタライゼーション、ジャスト・イン・タイムのコンパイル、アクセラレータのサポートなど、さまざまなJAX機能をベースにしている。 このツールボックスは、正規化ot問題の解法や、barycenters、gromov-wasserstein、low-rank solvers、凸写像の推定、分位数と階数の微分可能な一般化、ガウス混合物間の近似otといった、より高度な拡張といった基本的な計算を扱っている。 ツールボックスコードは \texttt{https://github.com/ott-jax/ott} で入手できる。

関連論文リスト

• Progressive Entropic Optimal Transport Solvers [33.821924561619895]
  本稿では,計画図と輸送地図の両方を推定できる新しいEOT解法(ProgOT)を提案する。 我々は,ProgOTが標準解法よりも高速で堅牢な代替手段であることを示す実験的な証拠を提供する。 また、最適な輸送地図を推定するためのアプローチの統計的整合性も証明する。
  論文  参考訳（メタデータ） (2024-06-07T16:33:08Z)
• Chain of Tools: Large Language Model is an Automatic Multi-tool Learner [54.992464510992605]
  Automatic Tool Chain(ATC)は、大規模言語モデル(LLM)がマルチツールユーザとして機能することを可能にするフレームワークである。 次に,ツールの範囲を拡大するために,ブラックボックス探索法を提案する。 包括的な評価のために、ToolFlowという挑戦的なベンチマークを構築しました。
  論文  参考訳（メタデータ） (2024-05-26T11:40:58Z)
• JAX-SPH: A Differentiable Smoothed Particle Hydrodynamics Framework [8.977530522693444]
  粒子に基づく流体シミュレーションは、ナヴィエ・ストークス方程式を解くための強力なツールとして登場した。 このような問題を解決するためのツールボックスに機械学習メソッドが最近追加されたことは、品質と速度のトレードオフの境界を押し広げている。 我々は、ディープラーニングフレームワークと互換性のあるラグランジアン流体シミュレータへの道のりを導き、JAX-SPHを提案する。
  論文  参考訳（メタデータ） (2024-03-07T18:53:53Z)
• TopoX: A Suite of Python Packages for Machine Learning on Topological Domains [89.9320422266332]
  TopoXはPythonのソフトウェアスイートで、トポロジ上のコンピューティングと機械学習のための信頼性とユーザフレンドリなビルディングブロックを提供する。 TopoXは、TopoNetX、TopoEmbedX、TopoModelxの3つのパッケージで構成されている。
  論文  参考訳（メタデータ） (2024-02-04T10:41:40Z)
• $\texttt{immrax}$: A Parallelizable and Differentiable Toolbox for Interval Analysis and Mixed Monotone Reachability in JAX [4.768272342753616]
  計算フレームワークJAXで完全に構成可能なPythonの関数変換として,区間解析と混合単調区間到達可能性解析を実装した。 結果のツールボックスは、Just-In-Time Compilationによる計算効率、高速並列計算のためのGPUアクセラレーション、自動微分可能性など、JAXからいくつかの重要な機能を継承している。
  論文  参考訳（メタデータ） (2024-01-21T22:01:34Z)
• ControlLLM: Augment Language Models with Tools by Searching on Graphs [97.62758830255002]
  我々は,大規模言語モデル(LLM)が実世界のタスクを解くためのマルチモーダルツールを利用できる新しいフレームワークであるControlLLMを提案する。 フレームワークは,(1)複雑なタスクを明確なサブタスクに分割し,入力と出力を適切に定義したサブタスクに分解するtextittask Decomposer,(2)構築済みのツールグラフ上で最適なソリューションパスを探索する textitThoughts-on-Graph(ToG)パラダイム,(3)ソリューションパスを解釈して実行するリッチなツールボックスを備えた textitexecution Engine,の3つの主要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-10-26T21:57:21Z)
• OMLT: Optimization & Machine Learning Toolkit [54.58348769621782]
  最適化と機械学習ツールキット(OMLT)は、ニューラルネットワークと勾配ブーストツリーサロゲートモデルを組み込んだオープンソースのソフトウェアパッケージである。 我々は、OMLTを可能とした最適化技術の進歩について論じ、OMLTが代数モデリング言語であるPyomoとシームレスに統合されていることを示す。
  論文  参考訳（メタデータ） (2022-02-04T22:23:45Z)
• On the complexity of the optimal transport problem with graph-structured cost [9.24979291231758]
  マルチマージ最適輸送(Multi-marginal optimal transport、MOT)は、複数の辺縁への最適輸送の一般化である。 MOTの使用は、その計算複雑性によって大きく妨げられ、限界数で指数関数的にスケールする。
  論文  参考訳（メタデータ） (2021-10-01T19:29:59Z)
• VEGA: Towards an End-to-End Configurable AutoML Pipeline [101.07003005736719]
  VEGAは効率よく包括的なAutoMLフレームワークで、複数のハードウェアプラットフォームに互換性があり、最適化されている。 VEGAは既存のAutoMLアルゴリズムを改善し、SOTAメソッドに対して新しい高性能モデルを発見する。
  論文  参考訳（メタデータ） (2020-11-03T06:53:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。